随着中国制造2025战略规划实施,制造业的不断转型升级以及钢铁行业的快速发展,对板带材生产提出了高质量、高效率和低污染的要求。轧机振动会影响生产效率及产品质量,运行时振动不仅会造成轧辊、轧件表面出现振痕,还会造成板带厚度波动,限制轧制的速度,导致生产效率下降,甚至出现断钢停产等安全事故。随着轧机设备向自动化、智能化方向快速发展,对设备振动要求更加严格,结合机器学习技术对设备振动进行深入探索,是轧机设备振动问题的一个热点研究方向。轧机振动现象复杂,影响轧机振动的因素众多,根据经验调整设备状态来抑制设备振动,抑振措施局限性较大。生产过程中设备的运行状态信息都被记录在PDA(Process Data Acquisition)系统中,结合振动的机理模型和对数据的分析挖掘,实现对轧机设备的振动预测,通过优化轧制规程来抑制设备振动。针对某1580热连轧机出现设备严重振动现象,通过传感器采集轧机振动信号。利用质量及动平衡方程分别建立垂直、水平和扭转振动的机理模型,并分析轧制工艺参数、振动数据来搭建数据预测模型,对轧机设备振动进行预测分析,并借助数据模型实现优化轧制工艺参数的方法来抑制设备振动。对水平和垂直振动建立轧机动力学理论模型,刻画轧机生产内部机制和传递机理,提出初步振动抑制方案。使用动态信号测试分析采集数据,通过轧制过程中工艺数据进行主成分分析方法,实现了贝叶斯神经网络预测模型,并利用集成学习提高了预测精度,实现对F3机架振动的精准预测。利用实时的数据预测模型,结合机理模型中的致振参数,对主要工艺参数进行定性、定量分析。验证了数据模型对振动抑制的可行性,并从机械设计、设备状态、工艺参数等方面提出对轧制规程进行优化的方案。